واژهنامه و منابع
واژهنامه
| اصطلاح | معنی |
|---|---|
| Prompt | ورودیای که به تعیین پاسخ یا action بعدی مدل کمک میکند و ممکن است فقط متن نباشد. |
| Prompt Engineering | طراحی و ارزیابی instruction، context، example، tool و output contract برای رفتار هدف. |
| Token | واحد پردازش متن مدل؛ مرز token الزاماً با مرز کلمه یکسان نیست. |
| Context Window | بیشترین context قابل پردازش در interaction/state مدل، مطابق محدودیت model و API. |
| Zero-shot | درخواست انجام task بدون example داخل prompt. |
| Few-shot | ارائه چند example محدود برای نمایش task یا convention خروجی. |
| Chain-of-Thought (CoT) | intermediate reasoning trace. در مدلهای قدیمیتر elicitation آن در برخی taskها مفید بود؛ برای reasoning modelهای جدید بهتر است بهجای private reasoning، evidence یا summary قابل verify درخواست شود. |
| Reasoning Model | model familyای که برای task پیچیده inference/reasoning بیشتری انجام میدهد و ممکن است control اختصاصی reasoning داشته باشد. |
| Self-Consistency | sampling چند candidate و aggregate کردن answerها. |
| ReAct | الگوی پژوهشی/ایجنتی برای ترکیب تصمیم مدل، tool/action و observation. |
| Tree of Thoughts | الگوی search/orchestration برای بررسی و ارزیابی چند branch استدلالی جایگزین. |
| Structured Outputs | خروجی constrained در سطح API بر اساس schema، معمولاً JSON Schema در modelهای supported. |
| Function / Tool Calling | انتخاب tool و تولید argument توسط مدل، در حالی که execution توسط application انجام میشود. |
| MCP | Model Context Protocol برای expose کردن tool/resource از serverهای سازگار به مدل یا agent. |
| RAG | Retrieval-Augmented Generation: بازیابی context خارجی مرتبط پیش از generation. |
| Prompt Injection | instruction مخرب یا ناخواسته که behavior مدل را تغییر میدهد؛ میتواند direct یا indirect باشد. |
| System / Developer Instruction | instruction با priority بالاتر در APIهای دارای role hierarchy؛ secret store یا authorization boundary نیست. |
| Hallucination | output نادرست، ساختگی یا unsupported که ممکن است plausible ارائه شود. |
| Eval | تست تکرارپذیر برای سنجش behavior مدل/prompt با criteria مشخص. |
| Fine-tuning | تغییر behavior آموختهشده مدل با training data؛ با few-shot example داخل یک request متفاوت است. |
| AI Agent | سیستمی که مدل در چند step تصمیم میگیرد و تحت orchestration/permission مشخص از tool یا سیستم خارجی استفاده میکند. |
اصلاحات اصلی نسبت به جزوه v4
جزوه منبع یک پایه مقدماتی مفید دارد، اما در این documentation این موارد اصلاح شدهاند:
- اصطلاح استاندارد Prompt Engineering جای
Engineering Promptمعکوس را گرفته است؛ - Chain-of-Thought عمدتاً بهعنوان زمینه تاریخی/پژوهشی معرفی میشود و از reasoning model جدید private reasoning مطالبه نمیشود؛
- ReAct و Tree of Thoughts از «ترفند یکخطی prompt» به orchestration/search pattern منتقل شدهاند؛
- role promptهای مبتنی بر سابقه ساختگی با perspective و review criteria explicit جایگزین شدهاند؛
- مثالهای OpenAI بر اساس Responses API، Structured Outputs،
reasoning.effortوmax_output_tokensبهروز شدهاند؛ - range ثابت temperature و recipe عمومی parameterها حذف شده است؛
- ChatGPT Memory از API conversation state جدا شده است؛
- صریح شده که system prompt یک secret یا authorization boundary نیست؛
- RAG با access control، citation validation و indirect prompt injection کاملتر شده است؛
- eval و regression test بخشی از lifecycle prompt شدهاند، نه صرفاً review اختیاری در پایان.
منابع پژوهشی پایه
Techniqueهای تاریخی این راهنما از پژوهشهای شناختهشده زیر میآیند:
- Brown et al. (2020), Language Models are Few-Shot Learners.
- Wei et al. (2022), Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.
- Kojima et al. (2022), Large Language Models are Zero-Shot Reasoners.
- Wang et al. (2022), Self-Consistency Improves Chain of Thought Reasoning in Language Models.
- Yao et al. (2023), ReAct: Synergizing Reasoning and Acting in Language Models.
- Yao et al. (2023), Tree of Thoughts: Deliberate Problem Solving with Large Language Models.
- Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
این مقالهها performance تکنیکها را در settingهای مشخص نشان میدهند؛ نتیجه آنها را نباید تضمین بهبود برای هر model فعلی دانست.
منابع عملیاتی فعلی
برای implementation، documentation فعلی رسمی را به جدولهای parameter ثابت در tutorialهای قدیمی ترجیح دهید:
- OpenAI Help Center — Prompt engineering best practices for ChatGPT.
- OpenAI Help Center — Best practices for prompt engineering with the OpenAI API.
- OpenAI API Reference — Responses API، roleها، reasoning، tools و Structured Outputs.
- OpenAI documentation — model compatibility/versioning و eval guidance.
- OpenAI Help Center — ChatGPT Memory.
- OWASP GenAI Security Project —
LLM01:2025 Prompt Injection. - OWASP GenAI Security Project —
LLM07:2025 System Prompt Leakage. - OWASP GenAI Security Project — guidance فعلی RAG/vector/embedding risk.
تاریخ بازبینی
این documentation در ۲۰۲۶-۰۸-۱۰ با منابع عمومی فعلی بازبینی فنی شده است. رفتار providerها سریع تغییر میکند؛ قبل از کپی parameter name، supported value یا lifecycle date به production code، reference همان model/API را دوباره بررسی کنید.